La adopción creció, pero la ejecución falla. El 48% de las organizaciones en México ya usa IA en 2026, frente al 38% en 2025, según un estudio de Strand Partners para AWS. Sin embargo, el 46% reconoce que no sabe medir el retorno de la IA.
La mayoría de los proyectos no llega a producción. Gartner estima que solo cerca del 48% de los proyectos de IA alcanza producción, con unos 8 meses de por medio; S&P Global reportó que el 42% de las empresas abandonó la mayoría de sus iniciativas de IA en 2025.
El socio correcto se distingue por evidencia de producción, no de pilotos: profundidad en datos y MLOps, casos verificables con clientes contactables y responsabilidad después del go-live. Las señales de alerta son la sobrepromesa, un equipo de venta distinto del de entrega y la ausencia de una conversación sobre datos.
El contrato y el gobierno importan tanto como la tecnología: definir la propiedad de datos y modelos, elegir el modelo de contratación adecuado, aplicar marcos como NIST AI RMF o ISO/IEC 42001 y cumplir la nueva LFPDPPP, en vigor desde marzo de 2025.
¿Por qué la elección del socio determina el resultado del proyecto de IA?
Porque hoy el diferenciador no es el modelo, sino la capacidad de llevarlo a producción. La adopción avanza, pero la madurez es baja: en 2025, solo alrededor del 7% de las empresas que adoptaron IA había alcanzado un nivel transformador (Strand Partners para AWS). El obstáculo es la ejecución. Gartner predijo que al menos el 30% de los proyectos de IA generativa se abandonaría tras la prueba de concepto para el cierre de 2025, y que en promedio solo el 48% llega a producción. S&P Global observó que el abandono de la mayoría de las iniciativas de IA subió del 17% al 42% en un año. Un estudio preliminar del MIT (Project NANDA, 2025) fue más lejos —95% de los pilotos sin impacto medible—, aunque su hallazgo de fondo es que esa falta de impacto se debe sobre todo a la ausencia de línea base y de integración, no a la tecnología. La conclusión práctica es clara: elegir bien al socio es la decisión que más mueve la aguja.
¿Qué criterios distinguen a un buen socio de implementación?
Un buen socio se evalúa en cinco dimensiones, y la más reveladora es cuántos de sus proyectos realmente llegaron a producción. Estas son las dimensiones que conviene puntuar antes de decidir:
1. Ajuste estratégico y conocimiento del dominio. El equipo que efectivamente ejecutará —no el de ventas— debe entender la industria; la mayoría de los retos de IA son de proceso, no de tecnología.
2. Capacidad técnica real: ingeniería de datos, MLOps, integración con ERP, CRM y data warehouses, arquitectura escalable y nube. La infraestructura de MLOps es el indicador más predictivo de la capacidad de un socio para operar en producción.
3. Historial de piloto a producción. Preguntar qué porcentaje de sus compromisos llegó a producción es el dato más revelador de toda la evaluación.
4. Gobierno, seguridad y cumplimiento: SOC 2 Tipo II, residencia de datos, monitoreo de drift y escalamiento de decisiones fuera de rango. Conviene desconfiar del "cumplimos con todos los marcos" cuando no se nombran controles concretos.
5. Acompañamiento post-implementación: soporte, SLAs y transferencia de capacidad hacia el equipo interno.
Como señal verificable adicional, las certificaciones y competencias con los principales proveedores de nube son evidencia objetiva de capacidad técnica, porque se auditan de forma independiente.
¿Cuáles son las señales de alerta y las señales positivas?
Las señales se detectan en la primera conversación: un buen socio habla de datos antes que de modelos y define el éxito en términos de negocio. La siguiente tabla resume qué observar.
Señales de alerta (red flags) | Señales positivas (green flags) |
|---|---|
El equipo que hace el pitch no será el de entrega | Metodología clara y equipo de entrega identificado |
Los entregables se definen como documentos, no como software funcional | Casos en producción (no pilotos) con resultados medibles y clientes contactables |
No hay respuesta clara sobre cómo se mide el éxito tras el go-live | Métricas de negocio y línea base definidas antes de empezar |
No lidera con la conversación de datos | Habla de datos primero: calidad, disponibilidad e integración |
No menciona MLOps, monitoreo de drift ni reentrenamiento | Playbook de MLOps demostrable, con panel de monitoreo en vivo |
Promete "IA lista para producción en semanas" | Transparencia sobre limitaciones y plan de escalamiento |
Cumplimiento vago, sin nombrar controles específicos | Controles nombrables (SOC 2, residencia de datos) y soporte tras el go-live |
¿Qué preguntas debe hacer un ejecutivo antes de firmar?
Siete preguntas separan a un socio de producción de un proveedor de demostraciones. Un buen socio no teme estas preguntas; las recibe con gusto:
1. ¿Qué porcentaje de sus compromisos de IA llegó a producción? ¿Puedo hablar con esos clientes?
2. ¿Me muestran su playbook de MLOps y un panel de monitoreo en vivo?
3. ¿Cómo miden el éxito en términos de negocio antes de empezar?
4. ¿Quién es dueño de los datos, de los modelos entrenados y de los outputs?
5. ¿El equipo del pitch es el que entregará?
6. ¿Qué controles de seguridad y cumplimiento específicos implementaron para un cliente de mi industria?
7. ¿Qué pasa cuando el modelo se degrada? ¿Cómo detectan el drift y con qué frecuencia reentrenan?
¿Qué modelo de contratación conviene para un proyecto de IA?
Por su naturaleza experimental, la IA suele encajar mejor en esquemas flexibles (Time & Materials o híbridos) que en precio fijo. El precio fijo da previsibilidad de presupuesto y plazo, pero introduce rigidez: los contratos a precio fijo suelen incluir buffers que inflan el costo entre un 15% y un 30% y pueden empujar a entregar un producto "dentro de presupuesto" pero desalineado. El esquema Time & Materials ofrece flexibilidad y arranque rápido, ideal para iteración, a cambio de menor certeza de presupuesto, por lo que exige gobernanza para evitar el crecimiento del alcance. Los modelos basados en resultados alinean incentivos pero requieren métricas y línea base claras; el staff augmentation refuerza al equipo interno ante la escasez de talento; y los servicios gestionados cubren la operación continua, algo esencial porque un modelo desplegado no es un modelo mantenido. La recomendación práctica: Time & Materials o híbrido para proyectos experimentales, y precio fijo solo cuando el componente de IA es acotado y medible o existe un plazo regulatorio.
Con independencia del modelo, hay cláusulas que deben blindarse en el contrato: la propiedad de los datos de entrada, de los modelos entrenados y de los outputs; la prohibición por defecto de usar datos, prompts o outputs del cliente para entrenar o "mejorar el servicio" salvo consentimiento escrito; un acuerdo de tratamiento de datos (DPA); un anexo de portabilidad y salida; y SLAs con límites de responsabilidad.
¿Cómo gobernar el proyecto para que no muera en el primer cambio de prioridad?
El proyecto sobrevive cuando tiene un patrocinador ejecutivo activo y visible, y cuando se invierte tanto en las personas como en la tecnología. Según Prosci, el patrocinio activo y visible ha sido el contribuyente número uno al éxito del cambio en cada estudio desde 1998: el 72% de quienes calificaron a su patrocinador como "extremadamente efectivo" cumplió o superó sus objetivos, frente a solo el 29% con patrocinadores inefectivos. La inversión también debe reequilibrarse: McKinsey recomienda prever cerca de 3 dólares en gestión del cambio por cada dólar invertido en desarrollar el modelo, mientras que Deloitte advierte que hoy el gasto en IA se concentra abrumadoramente en la tecnología y muy poco en las personas.
El mayor diferenciador de impacto es el rediseño de los flujos de trabajo: las organizaciones de alto desempeño son entre 2,8 y 3 veces más propensas a rediseñar fundamentalmente sus procesos (55% frente a 20%), según McKinsey (2025). Para estructurar el gobierno conviene apoyarse en marcos reconocidos: el NIST AI Risk Management Framework aporta un playbook voluntario (funciones Govern, Map, Measure, Manage), y la norma ISO/IEC 42001:2023 ofrece un sistema de gestión de IA auditable y certificable. Son complementarios. Como referencia de presupuesto, Prosci ubica la asignación más frecuente a gestión del cambio en torno al 10% del proyecto, y Gartner recomienda un mínimo del 15%.
¿Qué exige el marco regulatorio mexicano?
Desde marzo de 2025 rige una nueva Ley Federal de Protección de Datos Personales, y usar nube fuera de México cuenta como transferencia internacional. La nueva LFPDPPP se publicó en el DOF el 20 de marzo de 2025 y entró en vigor al día siguiente, abrogando la ley de 2010; con ella desaparece el INAI y la autoridad reguladora pasa a la Secretaría Anticorrupción y Buen Gobierno. Toda empresa que utilice un proveedor de nube con servidores fuera del país realiza una transferencia internacional bajo la ley, que debe formalizarse mediante cláusulas contractuales y, por regla general, consentimiento. Un punto clave para dimensionar el riesgo: la ley no impone una obligación general de localización de datos en México, ni siquiera para banca o fintech, aunque los proveedores de nube invierten en infraestructura local.
En cuanto a la regulación específica de IA, México aún no tiene una ley vigente: desde 2020 se han presentado decenas de iniciativas, incluida una propuesta de Ley General de la Comisión de IA en el Senado (octubre de 2025), pero ninguna se ha promulgado. En la práctica, esto significa mapear las transferencias internacionales, actualizar los avisos de privacidad y las cláusulas con proveedores de nube, y decidir la residencia de datos según el riesgo del caso.
¿Se puede llevar IA a producción en México?
Sí, y ya hay grandes empresas mexicanas operándola a escala. Banorte redujo un 86,6% el tiempo de revisión documental en créditos y elevó la aprobación automática del 70% (2022) al 91% (2024), y en mayo de 2024 se convirtió en el primer banco del país autorizado por la CNBV para usar IA en la nube. CEMEX opera el sistema M.A.R.I.A., que genera alrededor de 5.000 alertas mensuales supervisando cerca de 30 hornos y 50 molinos en sus 15 plantas del país. La señal de que el mercado madura también aparece en la alta dirección: según PwC México, cerca del 30% de los CEO afirmó en 2026 haber obtenido resultados tangibles de la IA en los doce meses previos. El común denominador de los casos que funcionan no es el algoritmo más sofisticado, sino la disciplina de ejecución: datos preparados, integración con los sistemas del negocio y operación monitoreada.
Conclusión: el filtro de decisión
Antes de firmar, descarta a cualquier candidato que no supere estos umbrales. Si el socio no puede definir el éxito en términos de negocio con una línea base, si no tiene referencias verificables en una industria o escala similar, si no incluye acompañamiento tras la implementación, o si define los entregables como documentos en lugar de software funcional, es momento de seguir buscando. La elección correcta empieza por los datos y el caso de negocio, filtra por evidencia de producción, ajusta el modelo contractual a la incertidumbre del proyecto e instala el gobierno desde el primer día.
Preguntas frecuentes
¿Qué es lo más importante al elegir un socio de IA?
La evidencia de sistemas en producción, no solo pilotos, con resultados medibles y clientes contactables, además de que el socio hable de datos primero y ofrezca acompañamiento tras el go-live.
¿Qué pregunta revela más sobre un socio?
Qué porcentaje de sus compromisos de IA llegó a producción y si es posible hablar con esos clientes. Es el dato más revelador de la evaluación.
¿Qué modelo de contratación conviene para IA?
Time & Materials o híbrido, por la naturaleza experimental de la IA; el precio fijo se reserva para componentes acotados y medibles o para plazos regulatorios.
¿Qué marcos de gobernanza aplicar?
El NIST AI Risk Management Framework como playbook y la norma ISO/IEC 42001 como sistema de gestión auditable y certificable. Son complementarios.
¿La ley mexicana obliga a alojar los datos en México?
No existe un mandato general de localización. Sin embargo, usar un proveedor de nube con servidores fuera del país constituye una transferencia internacional bajo la LFPDPPP 2025, que debe formalizarse por contrato.
¿Cuánto presupuesto destinar a la gestión del cambio?
En torno al 10% del proyecto según la práctica más frecuente, con un mínimo del 15% recomendado por Gartner; McKinsey sugiere además una proporción cercana a 3:1 entre gestión del cambio y desarrollo tecnológico.
Referencias
KPMG México — Panorama de la IA en México y Centroamérica 2025
NIST — AI Risk Management Framework 1.0; ISO/IEC 42001:2023
LFPDPPP 2025 — DOF, 20 de marzo de 2025
Últimas noticias
AI
México
Tecnología
De la prueba de concepto a producción: qué necesita una empresa en México para escalar un proyecto de IA
Construir un piloto de inteligencia artificial que funcione en una demo es hoy relativamente fácil. Convertirlo en un sistema que opere de forma confiable, día tras día, sobre los datos reales del negocio es donde la mayoría de las iniciativas se detiene. Esta guía explica, con datos verificables, por qué se abre esa brecha entre la prueba de concepto (PoC) y la producción, y qué se necesita para cruzarla en una operación mexicana.
AI
Digital Services
México
Noticias
Cómo elegir un socio para implementar inteligencia artificial en una gran empresa en México
La adopción de inteligencia artificial en México se disparó, pero el verdadero cuello de botella ya no es decidir si usar IA: es ejecutarla bien. Y el factor que más determina el resultado es la elección del socio de implementación. Esta guía reúne, con datos verificables, los criterios, las señales de alerta, las preguntas y el marco contractual y regulatorio que un ejecutivo debería considerar antes de firmar.
Ciberseguridad
México
Noticias
Ciberseguridad corporativa en México: qué exige la regulación y cómo se estructura un SOC gestionado
México es hoy uno de los países más atacados de América Latina, pero todavía no cuenta con una ley integral de ciberseguridad: las obligaciones están repartidas por sector. Esa combinación —alta exposición y un marco fragmentado— vuelve estratégica la decisión de cómo detectar y responder a incidentes. Esta guía explica, con datos verificables, qué exige la regulación mexicana, cómo se estructura un SOC gestionado y qué debe evaluar una gran empresa antes de contratar uno.
